CN112580893B - 一种基于改进遗传算法的多无人机大气监测路径规划方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的多无人机大气监测路径规划方法，该方法针对工业园区污染监测的特定问题来构建目标函数和约束条件，目标函数中考虑了各无人机监测路径总长度、飞行高度稳定性和飞行路径转弯角的优化；特定的约束条件包括遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点、每个污染源仅停留一次、单架无人机续航能力约束和其他约束。而后采用所提出的一种改进遗传算法对规划模型进行优化，该算法在传统遗传算法的基础上，提出适用于解决多旅行商(MTSP)问题的交叉变异方式，同时结合模拟退火思想以一定的概率接受变异后的差解，提高了种群局部搜索能力，有效避免算法陷入局部最优。

Description

一种基于改进遗传算法的多无人机大气监测路径规划方法

技术领域

本发明属于大气污染源监测技术领域，涉及一种基于多无人机的工业园区污染源监测路径优化方法。

背景技术

据不完全统计，我国现有各级工业园区超过7000家，在促进产业集聚和推动经济发展中贡献重大。但与此同时，园区企业生产过程中引发的环境问题也日益突出，成为环境污染的集聚区域。政府部门通过加强对工业园区内污染源的日常环境监察和巡查，有利于及时评估园区范围的大气污染状况、监控各污染源排放现状并快速地确定超标排放污染源的准确位置，对实现园区大气污染的靶向治理和制定有效的应急处置方案具有重要意义。

目前污染源的日常环境监察一般采用固定监测站、无线传感器网络、监测车或手持式监测仪等方式。超标污染源的定位一般通过将其监测位置和污染物浓度信息相综合，得到较粗略的浓度分布图，进而估计出污染源的位置。但由于受地面条件、建筑物和城市道路限制，上述监测手段往往效率不高。同时由于监测点位往往分布不均匀，且事故污染源附近不一定恰好设有监测站或被监测点所包围。虽然可以通过增加监测站数量和观测频率来提高环境监测质量，但仍面临着监测范围有限、成本高昂且机动性差的问题。目前研究结果表明，无人机环境监测平台具有机动、灵活和监测范围广等优势，可以弥补现有固定监测站和监测车的不足，更有利于对大气污染源进行日常环境巡查。

工业园区往往是污染源的集聚区域，污染源数量众多，且不同污染源排放的污染物类别亦不同。单架无人机进行园区内大气污染源监测时，由于受无人机自身续航时间所限，一次飞行只能完成部分污染源点位的监测任务，监测任务的执行效率不高，也不满足多个污染源在监测时间上尽量保持同步性的要求。因此，采用多架无人机来完成多个污染源的监测任务十分必要。

照污染物排放的几何形态，可分为点源、线源、面源和体源。点源是指通过某种装置集中排放的固定点状源，如烟囱、集气筒等。点源又分为高架点源和非高架点源，我国规定凡不经过排气筒的废气排放以及排放高度低于15m的排气筒排放均为非高架点源。高架点源一般都属于有组织排放。本发明专利重点解决的是高架和非高架点源混合区域的多无人机监测路径的优化问题。

该发明不同于传统的多旅行商(MTSP)问题，该发明针对工业园区内高架和非高架点源混合区域监测的特定问题背景，在规划模型构建中考虑了点源的三维高程信息、各无人机监测路径总长度、无人机飞行高度的稳定性、无人机飞行路径转弯角、单架无人机续航时间限制、各污染源排放污染物类别和排放污染物数量限制、各污染源无人机停留时间限制以及无人机数量的优化。同时在规划模型的求解上采用了基于复杂变异树的多染色体遗传算法，该算法可按照给定的优化方向规则，合理选择变异算子，优化出针对工业园区污染源的多无人机三维监测路径。

上述规划模型是典型的NP-Hard问题，针对此类问题，目前已提出了多种启发式算法和进化算法，如粒子群算法和蚁群算法等。但此类算法大都计算较为复杂，过于依赖问题本身的特征，容易发生早熟收敛或因变异因子过于复杂而导致的计算时间过长的问题。本专利创新性地提出改进遗传算法来解决工业园区内多无人机大气监测路径规划问题。该算法在传统遗传算法的基础上，提出适用于解决多旅行商(MTSP)问题的交叉变异方式，同时结合模拟退火思想以一定的概率接受变异后的差解，提高了种群局部搜索能力，有效避免算法陷入局部最优。

发明内容

本发明的目的是提供一种面向高架和非高架点源的多无人机监测路径优化方法。本发明的目的是通过以下技术实现的。

一种面向高架和非高架点源的多无人机监测路径优化方法，该方法针对工业园区内高架和非高架点源混合区域监测的特定问题来构建目标函数和约束条件。目标函数中考虑了各无人机监测路径总长度最短(总长度的计算基于点源的三维高程信息)、无人机飞行高度的稳定性(无人机飞行高度不应该发生太大的变化，稳定飞行高度有助于减轻控制系统的负担，节省更多的燃料)、无人机飞行路径转弯角最小(保证飞行的平滑度以减少无人机飞行能耗)；特定的约束条件包括单架无人机续航时间限制、各污染源排放污染物类别和排放污染物数量限制、各污染源无人机停留时间限制、无人机起飞出发点和终点限制等。而后采用基于复杂变异树的多染色体遗传算法来对上述规划模型进行求解，得到最优的工业园区污染源监测路径。该方法包括以下步骤：

S1：获取目标工业园区的环境信息，所述环境信息包括无人机出发基地和n个污染源位置的三维坐标信息、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、各污染源排放污染物类别和排放污染物数量、各污染源无人机停留时间、无人机数目M；

S2：根据工业园区的三维环境信息构建大气污染源监测的路径优化问题模型，设定模型的特定目标函数和约束条件；

进一步的，所述步骤S2中的目标函数F为：

minF＝w₁·L/L_max+w₂·H/H_max+w₃·θ/θ_max

其中，w₁，w₂和w₃为监测路径总长度L、无人机飞行高度的稳定性H、无人机飞行路径转弯角θ的三个子目标的权重，w₁+w₂+w₃＝1；L_max、H_max和θ_ma为预先设定的极大值，目的为去量纲化。

其中，L_k为第k个无人机的飞行路线的总时间(总距离)；m为无人机数量；n为园区内污染源数量；C_ij为无人机从污染源i到污染源j的飞行时间(距离)；(x_i,y_i,z_i)为第i个污染源位置；(x_j,y_j,z_j)为第j个污染源位置；

为无人机在污染源j的监测停留时间；v为无人机的平均飞行速度；S为单架无人机最长续航时间(最大飞行距离)；λ为惩罚因子，当第k条路线长度L_k大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除；v是无人机平均飞行速度。

其中，H_m为第m架无人机飞行高度的稳定度，h_q为第q个非高架或高架点源的高度，Q为第m架无人机飞行路径上的点源数量。

其中，θ_m为第m架无人机的飞行路径上转弯角之和，w为转弯角的数量，

为飞行路径上第a个转弯角。

进一步的，所述步骤S2中的约束条件为：

遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点：

每个污染源仅停留一次：

单架无人机续航能力约束：

其他约束：

x_ijk∈{0,1}；1≤k≤m；1≤m≤M

其中，M为预先给定的无人机数量；m为优化后的无人机数量；

S3：基于改进遗传算法来对上述规划模型进行求解，得到多个无人机最优的工业园区污染源监测路径；

进一步的，所述步骤S3包括以下步骤：

S31：设置基于改进遗传算法的参数，包括种群数量Pop，迭代次数S，无人机数量(即染色体数量)M，初始温度T₀，终止温度T_f，降温系数T_k等；

S32：初始化种群，通过多染色体编码方式进行编码，每条染色体的基因编码序列代表该无人机对工业园区中污染源的监测序列；

S33：根据所述步骤S2中的目标函数F及其约束条件计算算法适应度函数fit(F)；

S34：对种群染色体进行交叉、变异操作，产生新的个体，并计算其适应度函数fit(F′)；

所述种群染色体交叉操作是指随机选择两个个体相同数目的基因，按交叉概率PX，实行交换。

所述种群染色体变异操作是指通过轮盘赌注法，随机选择2变换法或者3变换法对单个染色体的基因序列进行交换。

进一步的，所述2变换法是指在单个染色体基因序列中，随机选择两相异基因u和v，逆转u和v及其之间的访问顺序。

进一步的，所述3变换法是指在单个染色体基因序列中，随机选择三相异基因u、v和w，将u与v之间的路径插到w之后访问。

S35：采用模拟退火思想判断是否接受变异后的新个体；

进一步的，所述模拟退火思想判断准则为：

令Δf＝fit(F′)-fit(F)，

若Δf＜0，则F＝F′，fit(F)＝fit(F′)；

若Δf＞0且c＝randon(0，1)＞P，则F＝F′，fit(F)＝fit(F′)；

否则F＝F，fit(F)＝fit(F)；

其中F为父代基因序列，F′为子代基因序列，i为迭代次数，T(i)为经过i次迭代后的温度。

S36:判断是否满足终止条件，若满足，则记录当前最优解，算法结束；否则，返回步骤S34；

S37:根据当前最优工业园区污染源监测路径，设置各无人机航点及各点悬停时间，进行工业园区污染源监测任务。

附图说明

图1是本发明中具体实施案例污染源三维位置分布图；

图2是本发明中改进遗传算法交叉操作示意图；

图3是本发明中改进遗传算法变异操作2交换法示意图；

图4是本发明中改进遗传算法变异操作3交换法示意图；

图5是本发明中改进遗传算法流程图；

图6是本发明中优化得到的多无人机工业园区污染源监测路径图。

具体实施步骤

本发明的具体实施例如下：

步骤1：假设某化工园区共20处污染源待监测点，统计各污染源三维位置坐标等有效信息。如表1所示：

步骤2：根据无人机数量M，通过多染色体编码方式进行编码，每条染色体的基因编码序列代表该无人机对工业园区中污染源的监测序列；

步骤3：根据问题模型制定目标函数F及其约束条件，并计算适应度函数fit(F)；

步骤4：对种群染色体进行交叉、变异操作，产生新的个体，并计算其适应度函数fit(F′)；

步骤5：采用模拟退火思想判断是否接受变异后的新个体；

步骤6：判断是否满足终止条件，若满足，则记录当前最优解，算法结束；否则，返回步骤4；

步骤7：根据当前最优工业园区污染源监测路径，设置各无人机航点及各点悬停时间，进行工业园区污染源监测任务。

Claims (1)

1.一种基于改进遗传算法的多无人机大气监测路径规划方法，其特征在于，包括以下步骤：

步骤1：获取目标工业园区的环境信息，所述环境信息包括无人机出发基地和n个污染源位置的三维坐标信息、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、各污染源排放污染物类别和排放污染物数量、各污染源无人机停留时间、无人机数目M；

步骤2：根据工业园区的三维环境信息构建大气污染源监测的路径优化问题模型，设定模型的目标函数F，所述目标函数F为：

minF＝w₁·L/L_max+w₂·H/H_max+w₃·θ/θ_max (1)

其中，w₁，w₂和w₃为监测路径总长度L、无人机飞行高度的稳定性H、无人机飞行路径转弯角θ的三个子目标的权重，w₁+w₂+w₃＝1；L_max、H_max和θ_max为预先设定的极大值，目的为去量纲化；

其中，L_k为第k个无人机的路线飞行总距离；m为无人机数量；n为园区内污染源数量；C_ij为无人机从污染源i到污染源j的飞行时间；

为无人机在污染源j的监测停留时间；(x_i，y_i，z_i)为第i个污染源位置；(x_j，y_j，z_j)为第j个污染源位置；S为单架无人机单次最大飞行距离；λ为惩罚因子，当第k条路线长度L_k大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除，v是无人机平均飞行速度；

其中，H_m为第m架无人机飞行高度的稳定度，h_q为第q个非高架或高架点源的高度，Q为第m架无人机飞行路径上的点源数量；

其中，θ_m为第m架无人机的飞行路径上转弯角之和，w为转弯角的数量，

为飞行路径上第a个转弯角；

步骤3：根据工业园区的三维环境信息构建大气污染源监测的路径优化问题模型，构建模型的约束条件，所述约束条件为：

满足遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点的要求：

每个污染源仅停留一次：

单架无人机续航能力约束：

其他约束：

x_ijk∈{0，1}；1≤k≤m；1≤m≤M (13)

其中，M为预先给定的无人机数量；m为优化后的无人机数量；

步骤4：基于改进遗传算法来对上述规划模型进行求解，得到多个无人机最优的工业园区污染源监测路径，其具体包括以下步骤：

S41：设置基于改进遗传算法的参数，包括种群数量Pop，迭代次数G，无人机数量即染色体数量M，初始温度T₀，终止温度T_f，降温系数T_k等；

S42：初始化种群，通过多染色体编码方式进行编码，每条染色体的基因编码序列代表该无人机对工业园区中污染源的监测序列；

S43：根据所述步骤2中的目标函数F及步骤3中的约束条件计算算法适应度函数fit(F)；

S44：对种群染色体进行交叉、变异操作，产生新的个体，并计算其适应度函数fit(F′)；

其中，所述种群染色体交叉操作是指随机选择两个个体相同数目的基因，按交叉概率PX，实行交换；

所述种群染色体变异操作是指通过轮盘赌注法，随机选择2变换法或者3变换法对单个染色体的基因序列进行交换；

S45：采用模拟退火思想判断是否接受变异后的新个体；

其中，所述模拟退火思想判断准则为：

令Δf＝fit(F′)一fit(F)，

若Δf＜0，则F＝F′，fit(F)＝fit(F′)；

若Δf＞0且c＝randon(0，1)＞P，则F＝F′，fit(F)＝fit(F′)；

否则F＝F，fit(F)＝fit(F)；

其中，F为父代基因序列，F′为子代基因序列，i为第i次迭代，T_i为经过i次迭代后的温度；

S46：判断是否满足终止条件，若满足，则记录当前最优解，算法结束；否则，返回步骤S44；

S47：根据当前最优工业园区污染源监测路径，设置各无人机航点及各点悬停时间，进行工业园区污染源监测任务。

Images